發(fā)布時(shí)間：2022-11-10 19:19

　　隨著互聯(lián)網(wǎng)的發(fā)展和普及,越來(lái)越多的人們開始在諸如微博,論壇,社交網(wǎng)站,影視網(wǎng)站,購(gòu)物網(wǎng)站等平臺(tái)發(fā)表各種言論,以此來(lái)分享自己的心情,觀點(diǎn)和意見(jiàn)。并且發(fā)表的這些內(nèi)容可能包含著不同的感情色彩,有積極的或是消極的,支持的亦或是反對(duì)的。分析這些文本信息的情感傾向,對(duì)個(gè)人,商家,政府等都有著重要的意義。另外,隨著人工智能的再度崛起,機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法已經(jīng)得到了廣泛的關(guān)注,越來(lái)越多的研究人員已經(jīng)提出了許多種實(shí)用并且有效的文本情感分類模型,基于深度學(xué)習(xí)的模型具有強(qiáng)大的特征學(xué)習(xí)能力,逐漸成為了解決情感分類問(wèn)題的重要方法,但是現(xiàn)有的深度學(xué)習(xí)模型除了忽略了一些情感資源和有用的特征之外,也在一定程度上忽視了網(wǎng)絡(luò)優(yōu)化上問(wèn)題。因此,深度學(xué)習(xí)的情感分類方法仍然存在一定的提升空間,本文基于此主要開展了兩個(gè)方面的工作:（1）本文針對(duì)評(píng)論短文本的稀疏性以及深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)特征利用不充分的問(wèn)題,提出了一種基于全連接網(wǎng)絡(luò)的特征融合模型。首先,本文采用基于詞典的方法提取了評(píng)論文本的句法特征,主要包括基本特征和情感短語(yǔ)極性特征,基本特征即正負(fù)面情感詞個(gè)數(shù),程度副詞,否定詞,轉(zhuǎn)折詞個(gè)數(shù)等;其次,采用基于情感詞典和TF_... 

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 文本情感分類研究粒度
        1.2.2 文本情感分類研究級(jí)別
        1.2.3 文本情感分類研究方法
    1.3 研究?jī)?nèi)容
    1.4 本文組織路線
第2章 相關(guān)理論與技術(shù)
    2.1 文本預(yù)處理技術(shù)
        2.1.1 中文分詞
        2.1.2 停用詞過(guò)濾
        2.1.3 文本表示
    2.2 傳統(tǒng)文本情感分析方法
        2.2.1 支持向量機(jī)
        2.2.2 樸素貝葉斯
    2.3 深度學(xué)習(xí)情感分析方法
        2.3.1 長(zhǎng)短期記憶網(wǎng)絡(luò)
        2.3.2 門控循環(huán)單元
    2.4 粒子群優(yōu)化算法理論
        2.4.1 粒子群算法
        2.4.2 量子粒子群算法
    2.5 本章小結(jié)
第3章 基于全連接神經(jīng)網(wǎng)絡(luò)的特征融合模型
    3.1 基于詞典的句法特征
        3.1.1 情感詞典構(gòu)建
        3.1.2 句法特征設(shè)計(jì)
        3.1.3 句法特征提取算法描述
    3.2 基于融合情感因子的TF_IDF詞匯特征
        3.2.1 融合情感因子的TF_IDF權(quán)重計(jì)算方法
        3.2.2 CHI特征選擇
        3.2.3 詞匯特征提取算法描述
    3.3 基于WORD2VEC的詞向量特征
    3.4 基于全連神經(jīng)接網(wǎng)絡(luò)的特征融合模型
        3.4.1 基于全連接神經(jīng)網(wǎng)絡(luò)的特征融合模型框架
        3.4.2 特征歸一化
        3.4.3 特征融合過(guò)程
        3.4.4 特征融合算法描述
    3.5 實(shí)驗(yàn)仿真
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.5.2 實(shí)驗(yàn)環(huán)境及模型參數(shù)設(shè)置
        3.5.3 實(shí)驗(yàn)評(píng)估指標(biāo)
        3.5.4 實(shí)驗(yàn)結(jié)果分析
    3.6 本章小結(jié)
第4章 基于IQPSO_BIGRU的文本情感分類模型
    4.1 基于IQPSO_BIGRU的文本情感分類模型框架
    4.2 改進(jìn)的量子粒子群算法(IQPSO)模型
        4.2.1 IQPSO算法流程圖
        4.2.2 自適應(yīng)QPSO(AQPSO)
        4.2.3 融合網(wǎng)絡(luò)輸入輸出靈敏度的AQPSO(ISO_AQPSO)
        4.2.4 收斂性分析
    4.3 BIGRU神經(jīng)網(wǎng)絡(luò)模型
        4.3.1 特征矩陣輸入層
        4.3.2 BiGRU層
        4.3.3 情感輸出層
    4.4 IQPSO優(yōu)化BIGRU神經(jīng)網(wǎng)絡(luò)
        4.4.1 IQPSO優(yōu)化BiGRU算法關(guān)鍵技術(shù)
        4.4.2 IQPSO優(yōu)化BiGRU算法描述
    4.5 實(shí)驗(yàn)仿真
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.5.2 實(shí)驗(yàn)環(huán)境
        4.5.3 QPSO和 IQPSO在不同BiGRU網(wǎng)絡(luò)的測(cè)試結(jié)果與分析
        4.5.4 不同優(yōu)化算法在BiGRU網(wǎng)絡(luò)的測(cè)試結(jié)果與分析
    4.6 IQPSO_BIGRU在影評(píng)情感分類上的應(yīng)用
        4.6.1 影評(píng)信息獲取
        4.6.2 基于IQPSO_BiGRU模型的情感分類方法
    4.7 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]面向雙注意力網(wǎng)絡(luò)的特定方面情感分析模型[J]. 孫小婉,王英,王鑫,孫玉東.  計(jì)算機(jī)研究與發(fā)展. 2019(11)
[2]卷積神經(jīng)網(wǎng)絡(luò)在短文本情感多分類標(biāo)注應(yīng)用[J]. 周錦峰,葉施仁,王暉.  計(jì)算機(jī)工程與應(yīng)用. 2018(22)
[3]基于詞向量與句法樹的中文句子情感分析[J]. 相若晨,孫美鳳.  計(jì)算機(jī)與現(xiàn)代化. 2016(08)
[4]基于深度學(xué)習(xí)的微博情感分析[J]. 梁軍,柴玉梅,原慧斌,昝紅英,劉銘.  中文信息學(xué)報(bào). 2014(05)
[5]面向情感傾向性識(shí)別的特征分析研究[J]. 李妍坊,許歆藝,劉功申.  計(jì)算機(jī)技術(shù)與發(fā)展. 2014(09)
[6]基于知網(wǎng)和同義詞詞林的詞匯語(yǔ)義傾向計(jì)算[J]. 黃碩,周延泉.  軟件. 2013(02)
[7]基于情感關(guān)鍵句抽取的情感分類研究[J]. 林政,譚松波,程學(xué)旗.  計(jì)算機(jī)研究與發(fā)展. 2012(11)
[8]基于產(chǎn)品屬性的條件句傾向性分析[J]. 楊源,林鴻飛.  中文信息學(xué)報(bào). 2011(03)
[9]基于OCC模型的E-learning系統(tǒng)情感建模[J]. 喬向杰,王志良,王萬(wàn)森.  計(jì)算機(jī)科學(xué). 2010(05)
[10]中文分詞算法解析[J]. 張磊,張代遠(yuǎn).  電腦知識(shí)與技術(shù). 2009(01)

博士論文
[1]基于粒子群優(yōu)化的隨機(jī)前饋神經(jīng)網(wǎng)絡(luò)的研究[D]. 凌青華.江蘇大學(xué) 2019

碩士論文
[1]基于序列生成模型的細(xì)粒度情感分析研究[D]. 鄧敏娜.湘潭大學(xué) 2019
[2]基于多特征融合分析的推薦模型的研究與實(shí)現(xiàn)[D]. 鄭書強(qiáng).北京郵電大學(xué) 2019
[3]基于多特征融合與深度置信網(wǎng)絡(luò)的遙感影像分類研究[D]. 喬賢賢.河南大學(xué) 2019
[4]面向中文微博情感分析的多特征融合方法研究[D]. 宋沛玉.廣東工業(yè)大學(xué) 2018
[5]基于機(jī)器學(xué)習(xí)的情感分析方法研究[D]. 張磊.電子科技大學(xué) 2018
[6]基于機(jī)器學(xué)習(xí)的文本情感分析研究與優(yōu)化[D]. 禹業(yè)藂.北京郵電大學(xué) 2018
[7]基于多維度特征評(píng)論分類的研究[D]. 包友軍.浙江大學(xué) 2017
[8]基于多元特征融合和LSTM神經(jīng)網(wǎng)絡(luò)的中文評(píng)論情感分析[D]. 李科.太原理工大學(xué) 2017
[9]基于股票評(píng)論的句子級(jí)情感分析方法研究[D]. 盧琰琰.哈爾濱工業(yè)大學(xué) 2017
[10]基于UGC的情感多分類研究[D]. 齊宏偉.北京郵電大學(xué) 2017



本文編號(hào)：3705154